Systemy informacyjne nad grafami ontologicznymi
|
|
- Patrycja Szymańska
- 4 lat temu
- Przeglądów:
Transkrypt
1 Systemy informacyjne nad grafami ontologicznymi Krzysztof Pancerz Wyższa Szkoła Zarządzania i Administracji w Zamościu Wyższa Szkoła Informatyki i Zarządzania w Rzeszowie Seminarium Zakładu Inteligentnych Systemów Wspomagania Decyzji w Instytucie Informatyki Politechniki Poznańskiej 5 marca 2013 r.
2 Klasyczne systemy informacyjne System informacyjny gdzie: SI = (U, A, V, f ) U jest niepustym, skończonym zbiorem obiektów, A jest niepustym, skończonym zbiorem atrybutów, V = V a, V a jest dziedziną (zbiorem wartości) atrybutu a, a A f : A U V jest funkcją informacyjną, taką że f (a, u) V a dla każdego a A i u U.
3 Klasyczne systemy informacyjne Wartości atrybutów mogą być: symboliczne, numeryczne.
4 Klasyczne systemy informacyjne System decyzyjny gdzie: SD = (U, C, D, V c, V d, c, d) U jest niepustym, skończonym zbiorem obiektów, C jest niepustym, skończonym zbiorem atrybutów warunkowych, D jest niepustym, skończonym zbiorem atrybutów decyzyjnych, V c = V a, V a jest dziedziną (zbiorem wartości) atrybutu warunkowego a, a C V d = V a, V a jest dziedziną (zbiorem wartości) atrybutu decyzyjnego a, a D c : C U V jest funkcją informacyjną, taką że f (a, u) V a dla każdego a C i u U, d : D U V jest funkcją decyzyjną, taką że f (a, u) V a dla każdego a D i u U.
5 Klasyczne systemy informacyjne Relacja nierozróżnialności Dla systemu informacyjnego SI = (U, A, V, f ) oraz B A definiujemy relację nierozróżnialności określoną na U U: RN B = {(u, v) U U : a B f (a, u) = f (a, v)}. Relacja nierozróżnialności jest relacją równoważności. Klasa równoważności dla danego obiektu u U oznaczana jest przez RN B (u).
6 Klasyczne systemy informacyjne Przybliżenia zbioru Niech X U oraz B A. Dla X definiujemy B-dolne i B-górne przybliżenie w następujący sposób: B-dolne przybliżenie zbioru X : B-górne przybliżenie zbioru X : BX = {u U : RN B (u) X }, BX = {u U : RN B (u) X }.
7 Klasyczne systemy informacyjne Dokładność przybliżenia zbioru Niech X U oraz B A. Numeryczna dokładność przybliżenia zbioru X definiowana jest jako: α B (X ) = card(bx ) card(bx ).
8 Klasyczne systemy informacyjne Relacja podobieństwa Dla systemu informacyjnego SI = (U, A, V, f ), dla którego nad U zdefiniowana jest przestrzeń metryczna z miarą odległości odl, możemy zdefiniować relację podobieństwa określoną na U U: RP A = {(u, v) U U : odl(u, v) τ}. gdzie τ jest wartością progową.
9 Główne klasy problemów semantycznych w systemach decyzyjnych 1 Problemy związane z semantyką wartości atrybutów warunkowych. 2 Problemy związane z semantyką wartości atrybutów decyzyjnych.
10 Systemy decyzyjne z acyklicznymi grafami skierowanymi (Midelfart, Komorowski) System decyzyjny z acyklicznym grafem skierowanym (DAG-Decision System) gdzie: SD = (U, C, D, V c, V d, c, d, ) U jest niepustym, skończonym zbiorem obiektów, C jest niepustym, skończonym zbiorem atrybutów warunkowych, D jest niepustym, skończonym zbiorem atrybutów decyzyjnych, V c = V a, V a jest dziedziną (zbiorem wartości) atrybutu warunkowego a, a C V d = V a, V a jest dziedziną (zbiorem wartości) atrybutu decyzyjnego a, a D c : U C V jest funkcją informacyjną, taką że f (u, a) V a dla każdego a C i u U, d : U D V jest funkcją decyzyjną, taką że f (u, a) V a dla każdego a D i u U, jest relacją częściowego porządku w zbiorze V d.
11 Zbiory przybliżone oparte na relacji dominacji - DRSA (Słowiński, Greco, Matarazzo) Zbiory przybliżone oparte na relacji dominacji uwzględniają semantyczne korelacje między atrybutami - kryteriami (warunkowymi i decyzyjnymi). SD = (U, C, D, V c, V d, c, d) systemem decyzyjny, gdzie D = {a d }. Dla każdego atrybutu a c C, na zbiorze obiektów U zdefiniowana jest relacja ac słabej preferencji taka, że (x, y) ac oznacza x jest co najmniej tak dobry jak y. Mówimy, że x dominuje y ze względu na P C, co oznaczamy przez xd p y, jeśli (x, y) ac dla każdego a c P. Dla każdego x U definiujemy: zbiór P-dominujący: D + P (x) = {y U : yd px}, zbiór P-zdominowany: D P (x) = {y U : xd py}.
12 Zbiory przybliżone oparte na relacji dominacji - DRSA (Słowiński, Greco, Matarazzo) Atrybut a d dokonuje podziału zbioru U na skończoną liczbę klas decyzyjnych Cl ad = {Cl t : t T }, gdzie T = {1,..., n}. Na zbiorze Cl ad zdefiniowana jest relacja dominacji S ad taka, że (u, v) S ad oznacza u jest co najmniej tak dobre jak v. Dla zbioru Cl ad definiujemy: złożenie klas decyzyjnych w górę: Clt = Cl s, s t złożenie klas decyzyjnych w dół: Clt = Cl s, gdzie Cl t, Cl s Cl ad. s t
13 Zbiory przybliżone oparte na relacji dominacji - DRSA (Słowiński, Greco, Matarazzo) a c -dolne przybliżenie zbioru Cl t : a c (Cl t ) = {u U : D + a c (u) Cl t }, a c -górne przybliżenie zbioru Clt : a c (Clt ) = D + a c (u), u Cl t a c -dolne przybliżenie zbioru Cl t : a c (Cl t ) = {u U : D a c (u) Cl t }, a c -górne przybliżenie zbioru Clt : a c (Clt ) = D a c (u). u Cl t
14 Relacje semantyczne pomiędzy słowami W lingwistyce, logice i psychologii poznawczej wyróżnionych zostało wiele relacji semantycznych pomiędzy słowami. Relacje semantyczne pozwalają na opisywanie związków między różnymi znaczeniami różnych słów. Relacje semantyczne ograniczają lub określają znaczenie. Podstawowa taksonomia relacji semantycznych (wzorowana na projekcie Wikisaurus): relacje synonimiczne, relacje antonimiczne, relacje hiponimiczne / hiperonimiczne (zawierania się klas), relacje meronimiczne / holonimiczne (część - całość).
15 Relacje semantyczne pomiędzy słowami Przykłady: samochód jest synonimem auta, również auto jest synonimem samochodu góra jest antonimem dołu, również dól jest antonimem góry pies jest hiponimem ssaka, ale ssak jest hiperonimem psa, palec jest meronimem dłoni, ale dłoń jest holonimem palca.
16 Relacje semantyczne pomiędzy słowami Rysunek: Własności relacji semantycznych
17 Relacje semantyczne pomiędzy słowami Oznaczenia: R - relacja synonimiczna, (u, v) R oznacza "u jest sybninimem v", R - relacja antonimiczna, (u, v) R oznacza "u jest antonimem v", R - relacja hiponimiczna, (u, v) R oznacza "u jest hiponimem v", R - relacja hiperonimiczna, (u, v) R oznacza "u jest hiperonimem v", R - relacja meronimiczna, (u, v) R oznacza "u jest meronimem v", R - relacja holonimiczna, (u, v) R oznacza "u jest holonimem v".
18 Graf ontologiczny Dla danej ontologii O możemy zdefiniować graf ontologiczny GO. Graf ontologiczny Grafem ontologicznym nazywamy uporządkowaną czwórkę gdzie GO = (C, E, R, ρ) C jest niepustym skończonym zbiorem węzłów reprezentujących pojęcia ontologii O, E C C jest skończonym zbiorem krawędzi reprezentujących relacje pomiędzy pojęciami ze zbioru C, R jest rodziną semantycznych opisów (w języku naturalnym) typów relacji (reprezentowanych przez krawędzie)pomiędzy pojęciami, ρ : E R jest funkcją przyporządkowującą każdej krawędzi semantyczny opis reprezentowanej przez nią relacji.
19 Lokalny podgraf ontologiczny Lokalny podgraf ontologiczny Lokalnym podgrafem LGO grafu ontologicznego GO = (C, E, T, ρ) nazywamy graf LGO = (C L, E L, T, ρ L ) C L C, E L E, ρ L jest funkcją ρ zredukowaną do zbioru E L.
20 Systemy informacyjne nad grafami ontologicznymi Nad grafami ontologicznymi możemy zbudować system informacyjny na wiele sposobów, np.: 1 Wartościami atrybutów systemu informacyjnego są pojęcia ze zbiorów C - elemntarny system informacyjny nad grafami ontologicznymi. 2 Wartościami atrybutów systemu informacyjnego są lokalne podgrafy ontologiczne LGO grafów ontologicznych GO - złożony system informacyjny nad grafami ontologicznymi.
21 Proste systemy informacyjne nad grafami ontologicznymi Prosty system informacyjny nad grafami ontologicznymi gdzie: SI = (U, A, {OG a } a A, f ) U jest niepustym, skończonym zbiorem obiektów, A jest niepustym, skończonym zbiorem atrybutów, {OG a } a A jest rodziną grafów ontologicznych skojarzonych z atrybutami ze zbioru A, f : A U C a, jest funkcją informacyjną, taką że f (a, u) C a dla każdego a A i u U, gdzie C a jest zbiorem pojęć z grafu OG a.
22 Proste systemy decyzyjne nad grafami ontologicznymi Prosty system decyzyjny nad grafami ontologicznymi where: SDS OG = (U, C, D, {OG a } a C, V d, c, d), U jest niepustym, skończonym zbiorem obiektów, A jest niepustym, skończonym zbiorem atrybutów warunkowych, Djest niepustym, skończonym zbiorem atrybutów decyzyjnych, {OG a} a C D jest rodziną grafów ontologicznych skojarzonych z atrybutami warunkowymi i decyzyjnymi ze zbioru C, c : C U C, gdzie C = C a, jest funkcją informacyjną, taką że a C f (a, u) C a dla każdego a C i u U, gdzie C a jest zbiorem pojęć z grafu OG a, d : D U C, gdzie C = C a, jest funkcją decyzyjną, taką że a D f (a, u) C a dla każdego a D i u U, gdzie C a jest zbiorem pojęć z grafu OG a.
23 Złożone systemy informacyjne nad grafami ontologicznymi Złożony system informacyjny nad grafem ontologicznym Złożonym systemem informacyjnym nad grafami ontologicznymi nazywamy uporządkowaną czwórkę gdzie: SI = (U, A, {GO a } a A, f ) U jest niepustym, skończonym zbiorem obiektów, A jest niepustym, skończonym zbiorem atrybutów, {GO a } a A jest rodziną grafów ontologicznych skojarzonych z atrybutami ze zbioru A, f : A U LGO a, jest funkcją informacyjną, taką że f (a, u) LGO a dla każdego a A i u U, gdzie LGO a jest rodziną wszystkich podgrafów grafu GO a.
24 Przybliżenia zbiorów - wybrane problemy Tablica: Systemy decyzyjne U/C D Stopien Miejscowosc Zatrudnienie u 1 Doktor Metropolia Zatrudniony na caly etat u 2 Licencjat Miasto Zatrudniony na caly etat u 3 Licencjat Miasto Zatrudniony na pol etatu u 4 Licencjat Wies Niezatrudniony U/C D Stopien Miejscowosc Zatrudnienie u 1 Doktor Metropolia Zatrudniony na caly etat u 2 Licencjat Miasto Zatrudniony na caly etat u 3 Licencjat Miasto Niezatrudniony u 4 Licencjat Wies Niezatrudniony
25 Przybliżenia zbiorów - wybrane problemy Niech B = {Stopien, Miejscowosc}. Przybliżenia X caly etat = {u 1, u 2 }: B(X caly etat ) = {u 1 }, B(X caly etat ) = {u 1, u 2, u 3 }, ponieważ B(u 1 ) = {u 1 }, B(u 2 ) = B(u 3 ) = {u 2, u 3 } oraz B(u 4 ) = {u 4 }. Stąd dokładność przybliżenia: α B (X caly etat ) = 1 3.
26 Przybliżenia zbiorów - wybrane problemy Rysunek: Grafy ontologiczne skojarzone z atrybutami systemów decyzyjnych.
27 Przybliżenia zbiorów - wybrane problemy Rysunek: Grafy ontologiczne skojarzone z atrybutami systemów decyzyjnych (cd.).
28 Przybliżenia zbiorów - wybrane problemy Zatrudniony na caly etat jest hiponimem Zatrudniony oraz Zatrudniony na pol etatu jest hiponimem Zatrudniony, dlatego: B(X caly etat ) = {u 1, u 2, u 3 }, B(X caly etat ) = {u 1, u 2, u 3 }. Stąd dokładność przybliżenia: α B (X caly etat ) = 1. Niezatrudniony jest antonimem Zatrudniony, dlatego: B(X caly etat ) = {u 1 }, B(X caly etat ) = {u 1, u 2, u 3 }. Stąd dokładność przybliżenia: α B (X caly etat ) = 1 3.
29 Przybliżenia zbiorów - wybrane problemy Rysunek: Przybliżenia zbiorów Założenia: 1 C 1 i C 2 są hiponimami pewnego pojęcia C 3. 2 C 4 i C 5 są antonimami. Z punktu widzenia klasycznej teorii zbiorów przybliżonych mamy jednakową dokładność przybliżeń.
30 Przybliżenia zbiorów - wybrane problemy Rysunek: Przybliżenia zbiorów C 1 i C 2 zastępujemy przez pojęcie C 3.
31 Przybliżenia zbiorów - wybrane problemy Tablica: Systemy decyzyjne U/C D Miejscowosc Zatrudnienie Staus materialny u 1 Metropolia Zatrudniony na caly etat Wysoki u 2 Miasto Zatrudniony na caly etat Sredni u 3 Miasto Zatrudniony na pol etatu Sredni u 4 Wies Niezatrudniony Niski U/C D Miejscowosc Zatrudnienie Staus materialny u 1 Metropolia Zatrudniony na caly etat Wysoki u 2 Miasto Zatrudniony na caly etat Sredni u 3 Miasto Niezatrudniony Sredni u 4 Wies Niezatrudniony Niski
32 Przybliżenia zbiorów - wybrane problemy Niech B = {Miejscowosc, Zatrudnienie}. Przybliżenia X Sredni = {u 2, u 3 }: B(X Sredni ) = {u 2, u 3 }, B(X Sredni ) = {u 2, u 3 }, Stąd dokładność przybliżenia: α B (X caly etat ) = 1. Czy jednak istnieje różnica pomiędzy tymi przypadkami?
33 Przybliżenia zbiorów - wybrane problemy Odpowiedź: tak, różnica pomiędzy tymi przypadkami istnieje: w pierwszym przypadku X Sredni jest aproksymowany granulami generowanymi przez pojęcia semantycznie "bliskie", tj. Zatrudniony na caly etat jest hiponimem Zatrudniony oraz Zatrudniony na pol etatu jest hiponimem Zatrudniony, w drugim przypadku X Sredni jest aproksymowany granulami generowanymi przez pojęcia semantycznie "dalekie", tj. Zatrudniony na caly etat jest hiponimem Zatrudniony ale Niezatrudniony jest antonimem Zatrudniony.
34 Przybliżenia zbiorów - wybrane problemy Jaka jest to dla nas informacja? Atrybut Staus materialny może nie zależeć od atrybutu Zatrudnienie. Może istnieć pewna sprzeczność w danych. Taka informacja może zostać wykorzystana w procesach fuzji informacji (ang. Information fusion).
35 Przybliżenia zbiorów - wybrane problemy Rysunek: Przybliżenia zbiorów Z punktu widzenia klasycznej teorii zbiorów przybliżonych mamy jednakową sytuację. Jednak: 1 Pojęcie C 1 jest przybliżane dokładnie przez granule wiedzy opisywane pojęciami semantycznie bliskimi (np. synonimami, hiponimami, hiperonimami). 2 Pojęcie C 2 jest przybliżane dokładnie przez granule wiedzy opisywane pojęciami semantycznie dalekimi (np. antonimami).
36 Podejście DRSA dla elementarnych systemów informacyjnych nad grafami ontologicznymi SI = (U, A, {GO a } a A, f ) - elementarny systemem informacyjnym nad grafami ontologicznymi. OG a = (C a, E a, R, ρ a ) - graf ontologiczny przypisany atrybutowi a. c 1, c 2 C a. SR(a) relacja uszczegółowienia zdefiniowana w grafie ontologicznym OG a. GR(a) relacja uogólnienia zdefiniowana w grafie ontologicznym OG a. c 1 dominuje c 2, co oznaczamy jako D (c 1, c 2 ), jeśli (c 2, c 1 ) SR(a), tj. c 2 jest uszczegółowione przez c 1. c 1 jest zdominowane przez c 2, co oznaczamy jako D (c 1, c 2 ), jeśli (c 2, c 1 ) GR(a), tj. c 2 jest uogólnione przez c 1.
37 Podejście DRSA dla elementarnych systemów informacyjnych nad grafami ontologicznymi Oznaczenia: = {u U : D (a(u), v)}, tj. zbiór wszystkich obiektów u U, dla których a(u) dominuje v. D +v a = {u U : D (a(u), v)}, tj. zbiór wszystkich obiektów u U, dla których a(u) jest zdominowane przez v. D v a
38 Reguły bazujące na podejściu DRSA w elementarnych systemach informacyjnych nad grafami ontologicznymi Deskryptory warunkowe (a, v) nad C oraz C, gdzie a C oraz v C, czytane jako a jest co najmniej v zgodnie z grafem ontologicznym OG a. Deskryptory decyzyjne (a, v) nad D oraz V d, gdzie a D oraz v V d, czytane jako a jest co najmniej v zgodnie z relacją dominacji zdefiniowaną dla a. Deskryptory warunkowe (a, v) nad C oraz C, gdzie a C oraz v C, czytane jako a jest co najwyżej v zgodnie z grafem ontologicznym OG a. Deskryptory decyzyjne (a, v) nad D oraz V d, gdzie a D oraz v V d, czytane jako a jest co najwyżej v zgodnie z relacją dominacji zdefiniowaną dla a.
39 Reguły bazujące na podejściu DRSA w elementarnych systemach informacyjnych nad grafami ontologicznymi 1 D -elementarna reguła decyzyjna: (a c, r c ) (a d, v d ), Może być czytana jako: jeśli a c jest co najmniej r c, to a d jest co najmniej v d. 2 D -elementarna reguła decyzyjna: (a c, r c ) (a d, v d ), Może być czytana jako: jeśli a c jest co najwyżej r c, to a d jest co najwyżej v d.
40 Reguły bazujące na podejściu DRSA w elementarnych systemach informacyjnych nad grafami ontologicznymi 1 Reguła (1) jest prawdziwa w SDS OG wtedy i tylko wtedy, gdy: D +rc a c Cl v d oraz D +rc a c, 2 Reguła (2)jest prawdziwa w SDS OG wtedy i tylko wtedy, gdy: D rc a c Cl v d oraz D rc a c, gdzie Cl vd jest klasą decyzjną obiektów u U takich, że a d (u) = v d.
41 Przykład Tablica: Prosty system informacyjny nad grafami ontologicznymi U/C D Pojazd Nieruchomosc Status materialny u 1 Samochod Mieszkanie wynajmowane Sredni u 2 Minivan Dom Wysoki u 3 Samochod Mieszkanie Sredni u 4 Rower Mieszkanie wynajmowane Niski u 5 SUV Dom parterowy Wysoki u 6 Samochod Mieszkanie wynajmowane Niski u 7 Samochod Mieszkanie wlasnosciowe Sredni u 8 Samochod Dom jednorodzinny Sredni
42 Przykład Rysunek: Graf ontologiczny OG Pojazd przypisany atrybutowi Pojazd.
43 Przykład Rysunek: Graf ontologiczny OG Nieruchomosc przypisany atrybutowi Nieruchomosc.
44 Przykład Reguła 1 (Nieruchomosc, Dom) (Status materialny, Sredni), Jeśli Nieruchomosc jest co najmniej Dom, to Status materialny jest co najmniej Sredni. Reguła jest prawdziwa SDS OG ponieważ: D +Dom Nieruchomosc = {u 2, u 5, u 8 }, Cl Sredni = {u 1, u 2, u 3, u 5, u 7, u 8 }, stąd D +Dom Nieruchomosc Cl Sredni.
45 Przykład Reguła 2 (Pojazd, Samochod) (Status materialny, Sredni), Jeśli Vehicle jest co najmniej Car, to Status materialny jest co najmiej Sredni. Reguła nie jest prawdziwa SDS OG ponieważ: D +Samochod Pojazd = {u 1, u 2, u 3, u 5, u 6, u 7, u 8 }, Cl Sredni = {u 1, u 2, u 3, u 5, u 7, u 8 }, ale D +Samochod Pojazd Cl Sredni.
46 Nabardziej ogólne reguły elementarne Reguła elementarna (a c, r c ) (a d, v d ), gdzie a c C, r c C ac w grafie OG ac, a d D, v d V d, jest nazywana najbardziej ogólną regułą ze względu na część warunkową i ustaloną część decyzyjną (a d, v d ) wtedy i tylko wtedy, gdy: 1 reguła (a c, r c ) (a d, v d ) jest prawdziwa w SDS OG, 2 reguła (a c, r c) (a d, v d ), gdzie r c = Rodzic(r c ), nie jest prawdziwa w SDS OG.
47 Nabardziej ogólne reguły elementarne Nabardziej ogólne reguły elementarne mogą być generowane za pomocą algorytmu przeszukiwania w głąb z przycinaniem bieżącym.
48 Przykład Rysunek: Drzewa przeszukiwania w głąb dla atrybutów
49 Przykład Zbiór wszystkich nabardziej ogólnych reguł decyzyjnych w systemie SDS OG ze względu na część warunkową i ustaloną część decyzyjną (Status materialny, Sredni) includes the following rules: (Pojazd, SUV ) (Status materialny, Sredni), (Pojazd, Minivan) (Status materialny, Sredni), (Nieruchomosc, Mieszkanie wlasnosciowe) (Status materialny, Sredni), (Nieruchomosc, Dom) (Status materialny, Sredni).
50 Podsumowanie 1 Prezentowane podejście jest próbą włączenia do metod teorii zbiorów przybliżonych informacji o semantycznych powiązaniach pomiędzy wartościami atrybutów zadanej w postaci grafów ontologicznych. 2 Prezentowane podejście wpisuje się w paradygmat obliczeń na słowach (ang. computing with words) zaproponowany przez L. Zadeha.
51 Dalsze prace 1 Wyznaczanie jakości przybliżeń zbiorów w zależności od różnych typów relacji semantycznych (także typów bardziej wyszukanych). 2 Generowanie reguł decyzyjnych w prostych systemach decyzyjnych nad grafami ontologicznymi w zależności od różnych typów relacji semantycznych. 3 Generowanie reguł decyzyjnych w złożonych systemach decyzyjnych nad grafami ontologicznymi 4 Uwzględnienie problemu OSVP (Optimal Symbolic Value Partition) w prostych systemach decyzyjnych nad grafami ontologicznymi.
52 Publikacje własne 1 Pancerz, K.: Toward Information Systems over Ontological Graphs. In: J.T. Yao et al. (Eds.), Proceedings of the 8th International Conference on Rough Sets and Current Trends in Computing (RSCTC 2012), Chengdu, China, August 17-20, 2012, Lecture Notes in Artificial Intelligence, Vol. 7413, Springer-Verlag, Berlin Heidelberg, 2012, pp Pancerz, K.: Dominance-Based Rough Set Approach for Decision Systems over Ontological Graphs. In: M. Ganzha, L. Maciaszek, M. Paprzycki (Eds.), Proceedings of the Federated Conference on Computer Science and Information Systems (FedCSIS 2012), Wroclaw, Poland, September 9-12, 2012, pp Pancerz, K.: Decision Rules in Simple Decision Systems over Ontological Graphs. In: Computer Recognition Systems, Advances in Intelligent and Soft Computing, Springer-Verlag, Berlin Heidelberg, 2013 (to appear).
Eksploracja danych w serwisach ogłoszeniowych oparta na systemach informacyjnych nad grafami ontologicznymi
Eksploracja danych w serwisach ogłoszeniowych oparta na systemach informacyjnych nad grafami ontologicznymi Krzysztof Pancerz 1,2, Olga Mich 1 1 Wyższa Szkoła Zarządzania i Administracji w Zamościu 2 Wyższa
Bardziej szczegółowoAutoreferat. 1 Imię i nazwisko: Krzysztof Pancerz. 2 Posiadane dyplomy, stopnie naukowe. 3 Dotychczasowe zatrudnienie w jednostkach naukowych
Autoreferat 1 Imię i nazwisko: Krzysztof Pancerz Katedra Informatyki, Wydział Matematyczno-Przyrodniczy Uniwersytet Rzeszowski ul. Pigonia 1, 35-310 Rzeszów 2 Posiadane dyplomy, stopnie naukowe 1998 Tytuł
Bardziej szczegółowoSystem informacyjny a system decyzyjny Relacja nierozróżnialności Klasy abstrakcji Teoria zbiorów przybliżonych Usuwanie niespójności z tablicy
System informacyjny a system decyzyjny Relacja nierozróżnialności Klasy abstrakcji Teoria zbiorów przybliżonych Usuwanie niespójności z tablicy decyzyjnej System informacyjny System informacyjny SI zdefiniowany
Bardziej szczegółowoOptymalizacja reguł decyzyjnych względem pokrycia
Zakład Systemów Informatycznych Instytut Informatyki, Uniwersytet Śląski Chorzów, 9 grudzień 2014 Wprowadzenie Wprowadzenie problem skalowalności dla optymalizacji reguł decyzjnych na podstawie podejścia
Bardziej szczegółowoWSPOMAGANIE DECYZJI - MIŁOSZ KADZIŃSKI LAB IV ZBIORY PRZYBLIŻONE I ODKRYWANIE REGUŁ DECYZYJNYCH
WSOMAGANIE DECYZJI - MIŁOSZ KADZIŃSKI LAB IV ZBIORY RZYBLIŻONE I ODKRYWANIE REGUŁ DECYZYJNYCH 1. Definicje Zbiory, które nie są zbiorami definiowalnymi, są nazywane zbiorami przybliżonymi. Zbiory definiowalne
Bardziej szczegółowoOdkrywanie wiedzy z danych przy użyciu zbiorów przybliżonych. Wykład 3
Odkrywanie wiedzy z danych przy użyciu zbiorów przybliżonych Wykład 3 W internecie Teoria zbiorów przybliżonych zaproponowany w 1982 r. przez prof. Zdzisława Pawlaka formalizm matematyczny, stanowiący
Bardziej szczegółowoInteligentne systemy wspomagania decyzji oparte na wiedzy odkrytej z danych. Roman Słowiński
Inteligentne systemy wspomagania decyzji oparte na wiedzy odkrytej z danych Roman Słowiński Roman Słowiński Motywacje Wzrasta przepaść między generowaniem danych a ich zrozumieniem Odkrywanie wiedzy z
Bardziej szczegółowoAlgebrą nazywamy strukturę A = (A, {F i : i I }), gdzie A jest zbiorem zwanym uniwersum algebry, zaś F i : A F i
Algebrą nazywamy strukturę A = (A, {F i : i I }), gdzie A jest zbiorem zwanym uniwersum algebry, zaś F i : A F i A (symbol F i oznacza ilość argumentów funkcji F i ). W rozważanych przez nas algebrach
Bardziej szczegółowoLEMRG algorytm generowania pokoleń reguł decyzji dla baz danych z dużą liczbą atrybutów
LEMRG algorytm generowania pokoleń reguł decyzji dla baz danych z dużą liczbą atrybutów Łukasz Piątek, Jerzy W. Grzymała-Busse Katedra Systemów Ekspertowych i Sztucznej Inteligencji, Wydział Informatyki
Bardziej szczegółowoZbiory przybliżone, cz. 1 (wersja do druku) dr. Piotr Szczuko
Zbiory przybliżone, cz. 1 (wersja do druku) dr. Piotr Szczuko Katedra Systemów Multimedialnych 2009 Plan wykładu Historia zbiorów przybliżonych System informacyjny i decyzyjny Reguły decyzyjne Tożsamość
Bardziej szczegółowoIndukowane Reguły Decyzyjne I. Wykład 3
Indukowane Reguły Decyzyjne I Wykład 3 IRD Wykład 3 Plan Powtórka Grafy Drzewa klasyfikacyjne Testy wstęp Klasyfikacja obiektów z wykorzystaniem drzewa Reguły decyzyjne generowane przez drzewo 2 Powtórzenie
Bardziej szczegółowoMatematyczne Podstawy Informatyki
Matematyczne Podstawy Informatyki dr inż. Andrzej Grosser Instytut Informatyki Teoretycznej i Stosowanej Politechnika Częstochowska Rok akademicki 2013/2014 Informacje podstawowe 1. Konsultacje: pokój
Bardziej szczegółowo(4) x (y z) = (x y) (x z), x (y z) = (x y) (x z), (3) x (x y) = x, x (x y) = x, (2) x 0 = x, x 1 = x
2. Wykład 2: algebry Boole a, kraty i drzewa. 2.1. Algebra Boole a. 1 Ważnym dla nas przykładem algebr są algebry Boole a, czyli algebry B = (B,,,, 0, 1) typu (2, 2, 1, 0, 0) spełniające własności: (1)
Bardziej szczegółowoStruktury danych i złożoność obliczeniowa Wykład 7. Prof. dr hab. inż. Jan Magott
Struktury danych i złożoność obliczeniowa Wykład 7 Prof. dr hab. inż. Jan Magott Problemy NP-zupełne Transformacją wielomianową problemu π 2 do problemu π 1 (π 2 π 1 ) jest funkcja f: D π2 D π1 spełniająca
Bardziej szczegółowoBadania w sieciach złożonych
Badania w sieciach złożonych Grant WCSS nr 177, sprawozdanie za rok 2012 Kierownik grantu dr. hab. inż. Przemysław Kazienko mgr inż. Radosław Michalski Instytut Informatyki Politechniki Wrocławskiej Obszar
Bardziej szczegółowoSztuczna Inteligencja Projekt
Sztuczna Inteligencja Projekt Temat: Algorytm LEM2 Liczba osób realizujących projekt: 2 1. Zaimplementować algorytm LEM 2. 2. Zaimplementować klasyfikator Classif ier. 3. Za pomocą algorytmu LEM 2 wygenerować
Bardziej szczegółowoMATEMATYKA DYSKRETNA - MATERIAŁY DO WYKŁADU GRAFY
ERIAŁY DO WYKŁADU GRAFY Graf nieskierowany Grafem nieskierowanym nazywamy parę G = (V, E), gdzie V jest pewnym zbiorem skończonym (zwanym zbiorem wierzchołków grafu G), natomiast E jest zbiorem nieuporządkowanych
Bardziej szczegółowoPrawdopodobieństwo geometryczne
Prawdopodobieństwo geometryczne Krzysztof Jasiński Wydział Matematyki i Informatyki UMK, Toruń V Lieceum Ogólnokształące im. Jana Pawała II w Toruniu 13.03.2014 Krzysztof Jasiński (WMiI UMK) Prawdopodobieństwo
Bardziej szczegółowoAnaliza semantyczna. Gramatyka atrybutywna
Analiza semantyczna Do przeprowadzenia poprawnego tłumaczenia, oprócz informacji na temat składni języka podlegającego tłumaczeniu, translator musi posiadać możliwość korzystania z wielu innych informacji
Bardziej szczegółowoSztuczna inteligencja
POLITECHNIKA KRAKOWSKA WIEiK KATEDRA AUTOMATYKI I TECHNIK INFORMACYJNYCH Sztuczna inteligencja www.pk.edu.pl/~zk/si_hp.html Wykładowca: dr inż. Zbigniew Kokosiński zk@pk.edu.pl Wykład 10: Zbiory przybliżone
Bardziej szczegółowoGraf. Definicja marca / 1
Graf 25 marca 2018 Graf Definicja 1 Graf ogólny to para G = (V, E), gdzie V jest zbiorem wierzchołków (węzłów, punktów grafu), E jest rodziną krawędzi, które mogą być wielokrotne, dokładniej jednoelementowych
Bardziej szczegółowoSortowanie topologiczne skierowanych grafów acyklicznych
Sortowanie topologiczne skierowanych grafów acyklicznych Metody boolowskie w informatyce Robert Sulkowski http://robert.brainusers.net 23 stycznia 2010 1 Definicja 1 (Cykl skierowany). Niech C = (V, A)
Bardziej szczegółowoTeoretyczne podstawy zbiorów przybliżonych
Teoretyczne podstawy zbiorów przybliżonych Agnieszka Nowak 17 kwietnia 2009 1 Podstawy teorii zbiorów przybliżonych 1.1 Wstęp Teoria zbiorów przybliżonych została sformułowana przez Zdzisława Pawlaka w
Bardziej szczegółowoSystemy ekspertowe. Eksploracja danych z wykorzystaniem tablic decyzyjnych i zbiorów przybliżonych. Część trzecia
Część trzecia Autor Roman Simiński Eksploracja danych z wykorzystaniem tablic decyzyjnych i zbiorów przybliżonych Kontakt siminski@us.edu.pl www.us.edu.pl/~siminski Niniejsze opracowanie zawiera skrót
Bardziej szczegółowoWYŻSZA SZKOŁA INFORMATYKI STOSOWANEJ I ZARZĄDZANIA
DROGI i CYKLE w grafach Dla grafu (nieskierowanego) G = ( V, E ) drogą z wierzchołka v 0 V do v t V nazywamy ciąg (naprzemienny) wierzchołków i krawędzi grafu: ( v 0, e, v, e,..., v t, e t, v t ), spełniający
Bardziej szczegółowoSystemy ekspertowe. Generowanie reguł minimalnych. Część czwarta. Autor Roman Simiński.
Część czwarta Autor Roman Simiński Kontakt siminski@us.edu.pl www.us.edu.pl/~siminski Niniejsze opracowanie zawiera skrót treści wykładu, lektura tych materiałów nie zastąpi uważnego w nim uczestnictwa.
Bardziej szczegółowoPodstawowe własności grafów. Wykład 3. Własności grafów
Wykład 3. Własności grafów 1 / 87 Suma grafów Niech będą dane grafy proste G 1 = (V 1, E 1) oraz G 2 = (V 2, E 2). 2 / 87 Suma grafów Niech będą dane grafy proste G 1 = (V 1, E 1) oraz G 2 = (V 2, E 2).
Bardziej szczegółowoZASTOSOWANIE ZBIORÓW PRZYBLIŻONYCH DO ANALIZY SATYSFAKCJI KLIENTA SERWISU POJAZDÓW
Inżynieria Rolnicza 1(99)/2008 ZASTOSOWANIE ZBIORÓW PRZYBLIŻONYCH DO ANALIZY SATYSFAKCJI KLIENTA SERWISU POJAZDÓW Marek Klimkiewicz, Katarzyna Moczulska Katedra Organizacji i Inżynierii Produkcji, Szkoła
Bardziej szczegółowoZastosowanie sztucznej inteligencji w testowaniu oprogramowania
Zastosowanie sztucznej inteligencji w testowaniu oprogramowania Problem NP Problem NP (niedeterministycznie wielomianowy, ang. nondeterministic polynomial) to problem decyzyjny, dla którego rozwiązanie
Bardziej szczegółowoMatematyka dyskretna - 7.Drzewa
Matematyka dyskretna - 7.Drzewa W tym rozdziale zajmiemy się drzewami: specjalnym przypadkiem grafów. Są one szczególnie przydatne do przechowywania informacji, umożliwiającego szybki dostęp do nich. Definicja
Bardziej szczegółowoMatematyka dyskretna. Andrzej Łachwa, UJ, /14
Matematyka dyskretna Andrzej Łachwa, UJ, 2016 andrzej.lachwa@uj.edu.pl 13/14 Grafy podstawowe definicje Graf to para G=(V, E), gdzie V to niepusty i skończony zbiór, którego elementy nazywamy wierzchołkami
Bardziej szczegółowo9.9 Algorytmy przeglądu
14 9. PODSTAWOWE PROBLEMY JEDNOMASZYNOWE 9.9 Algorytmy przeglądu Metody przeglądu dla problemu 1 r j,q j C max były analizowane między innymi w pracach 25, 51, 129, 238. Jak dotychczas najbardziej elegancka
Bardziej szczegółowoZbiory przybliżone w obszarze systemów ekspertowych
Zbiory przybliżone w obszarze systemów ekspertowych Agnieszka Nowak Institute of Computer Science, University of Silesia Bȩdzińska 39, 41 200 Sosnowiec, Poland e-mail: nowak@us.edu.pl 1 Wprowadzenie Okres
Bardziej szczegółowoTeoria grafów podstawy. Materiały pomocnicze do wykładu. wykładowca: dr Magdalena Kacprzak
Teoria grafów podstawy Materiały pomocnicze do wykładu wykładowca: dr Magdalena Kacprzak Grafy zorientowane i niezorientowane Przykład 1 Dwa pociągi i jeden most problem wzajemnego wykluczania się Dwa
Bardziej szczegółowoMatematyka dyskretna
Matematyka dyskretna Wykład 13: Teoria Grafów Gniewomir Sarbicki Literatura R.J. Wilson Wprowadzenie do teorii grafów Definicja: Grafem (skończonym, nieskierowanym) G nazywamy parę zbiorów (V (G), E(G)),
Bardziej szczegółowoB jest globalnym pokryciem zbioru {d} wtedy i tylko wtedy, gdy {d} zależy od B i nie istnieje B T takie, że {d} zależy od B ;
Algorytm LEM1 Oznaczenia i definicje: U - uniwersum, tj. zbiór obiektów; A - zbiór atrybutów warunkowych; d - atrybut decyzyjny; IND(B) = {(x, y) U U : a B a(x) = a(y)} - relacja nierozróżnialności, tj.
Bardziej szczegółowoOpis efektów kształcenia dla modułu zajęć
Nazwa modułu: Techniki agentowe Rok akademicki: 2013/2014 Kod: MIS-1-702-s Punkty ECTS: 5 Wydział: Inżynierii Metali i Informatyki Przemysłowej Kierunek: Informatyka Stosowana Specjalność: Poziom studiów:
Bardziej szczegółowoWprowadzenie i pojęcia wstępne.
Wprowadzenie i pojęcia wstępne. X\A a b c x 1 a 1 b 1 c 1 x 2 a 1 b 1 c 2 x 3 a 1 b 2 c 3 x 4 a 2 b 1 c 4 x 5 a 1 b 2 c 1 x 6 a 1 b 2 c 2 x 7 a 1 b 1 c 1 S = X = {x 1,,x 8 } A = {a, b, c}
Bardziej szczegółowoSemantyka rachunku predykatów pierwszego rzędu. Dziedzina interpretacji. Stałe, zmienne, funkcje. Logika obliczeniowa.
Logika obliczeniowa Instytut Informatyki 1 Interpretacja i wartościowanie Dziedzina interpretacji Interpretacja Wartościowanie 2 Wartość formuły Wartość termu Wartość logiczna formuły Własności 3 Logiczna
Bardziej szczegółowoWIELOKRYTERIALNE PORZĄDKOWANIE METODĄ PROMETHEE ODPORNE NA ZMIANY WAG KRYTERIÓW
Uniwersytet Ekonomiczny we Wrocławiu WIELOKRYTERIALNE PORZĄDKOWANIE METODĄ PROMETHEE ODPORNE NA ZMIANY WAG KRYTERIÓW Wprowadzenie Wrażliwość wyników analizy wielokryterialnej na zmiany wag kryteriów, przy
Bardziej szczegółowoMetoda Tablic Semantycznych
Procedura Plan Reguły Algorytm Logika obliczeniowa Instytut Informatyki Plan Procedura Reguły 1 Procedura decyzyjna Logiczna równoważność formuł Logiczna konsekwencja Procedura decyzyjna 2 Reguły α, β,
Bardziej szczegółowo6. Wstępne pojęcia teorii grafów
6. Wstępne pojęcia teorii grafów Grzegorz Kosiorowski Uniwersytet Ekonomiczny w Krakowie zima 2016/2017 rzegorz Kosiorowski (Uniwersytet Ekonomiczny w Krakowie) 6. Wstępne pojęcia teorii grafów zima 2016/2017
Bardziej szczegółowoWspomaganie Decyzji Biznesowych
Wspomaganie Decyzji Biznesowych wprowadzenie i modele preferencji w postaci relacji przewyższania Jurek Błaszczyński Institute of Computing Science, Poznań University of Technology, 60-965 Poznań, Poland
Bardziej szczegółowoRekurencyjna przeliczalność
Rekurencyjna przeliczalność Jerzy Pogonowski Zakład Logiki Stosowanej UAM www.logic.amu.edu.pl pogon@amu.edu.pl Funkcje rekurencyjne Jerzy Pogonowski (MEG) Rekurencyjna przeliczalność Funkcje rekurencyjne
Bardziej szczegółowoDigraf. 13 maja 2017
Digraf 13 maja 2017 Graf skierowany, digraf, digraf prosty Definicja 1 Digraf prosty G to (V, E), gdzie V jest zbiorem wierzchołków, E jest rodziną zorientowanych krawędzi, między różnymi wierzchołkami,
Bardziej szczegółowoWykorzystanie zbiorów przybliżonych w analizie Kansei
This paper should be cited as: Ludwiszewski, B., Redlarski, K., & Wachowicz, J. (2010). Wykorzystanie zbiorów przybliżonych w analizie Kansei. Proceedings of the Conference: Interfejs użytkownika - Kansei
Bardziej szczegółowoLogika Stosowana. Wykład 1 - Logika zdaniowa. Marcin Szczuka. Instytut Informatyki UW. Wykład monograficzny, semestr letni 2016/2017
Logika Stosowana Wykład 1 - Logika zdaniowa Marcin Szczuka Instytut Informatyki UW Wykład monograficzny, semestr letni 2016/2017 Marcin Szczuka (MIMUW) Logika Stosowana 2017 1 / 30 Plan wykładu 1 Język
Bardziej szczegółowo2.2. Gramatyki, wyprowadzenia, hierarchia Chomsky'ego
2.2. Gramatyki, wyprowadzenia, hierarchia Chomsky'ego Gramatyka Gramatyką G nazywamy czwórkę uporządkowaną G = gdzie: N zbiór symboli nieterminalnych, T zbiór symboli terminalnych, P zbiór
Bardziej szczegółowoMichał Kozielski Łukasz Warchał. Instytut Informatyki, Politechnika Śląska
Michał Kozielski Łukasz Warchał Instytut Informatyki, Politechnika Śląska Algorytm DBSCAN Algorytm OPTICS Analiza gęstego sąsiedztwa w grafie Wstępne eksperymenty Podsumowanie Algorytm DBSCAN Analiza gęstości
Bardziej szczegółowoMetody eksploracji danych. Reguły asocjacyjne
Metody eksploracji danych Reguły asocjacyjne Analiza podobieństw i koszyka sklepowego Analiza podobieństw jest badaniem atrybutów lub cech, które są powiązane ze sobą. Metody analizy podobieństw, znane
Bardziej szczegółowoMetoda tabel semantycznych. Dedukcja drogi Watsonie, dedukcja... Definicja logicznej konsekwencji. Logika obliczeniowa.
Plan Procedura decyzyjna Reguły α i β - algorytm Plan Procedura decyzyjna Reguły α i β - algorytm Logika obliczeniowa Instytut Informatyki 1 Procedura decyzyjna Logiczna konsekwencja Teoria aksjomatyzowalna
Bardziej szczegółowoMatematyczne Podstawy Informatyki
Matematyczne Podstawy Informatyki dr inż. Andrzej Grosser Instytut Informatyki Teoretycznej i Stosowanej Politechnika Częstochowska Rok akademicki 03/0 Przeszukiwanie w głąb i wszerz I Przeszukiwanie metodą
Bardziej szczegółowoZASTOSOWANIA METOD INTELIGENTNYCH W AKUSTYCE
MODELOWANIE INŻYNIERSKIE ISNN 1896-771X 32, s. 273-280, Gliwice 2006 ZASTOSOWANIA METOD INTELIGENTNYCH W AKUSTYCE BOŻENA KOSTEK Katedra Systemów Multimedialnych, Politechnika Gdańska Streszczenie. Celem
Bardziej szczegółowoAlgorytm wyznaczania najkrótszej ścieżki w grafie skierowanym w zbiorze liczb rozmytych
NEUMNN Tomasz 1 lgorytm wyznaczania najkrótszej ścieżki w grafie skierowanym w zbiorze liczb rozmytych WSTĘP W systemach zarządzania transportem jedną z najbardziej istotnych kwestii jest zapewnienie najkrótszej
Bardziej szczegółowoSystemy ekspertowe - wiedza niepewna
Instytut Informatyki Uniwersytetu Śląskiego lab 8 Rozpatrzmy następujący przykład: Miażdżyca powoduje często zwężenie tętnic wieńcowych. Prowadzi to zazwyczaj do zmniejszenia przepływu krwi w tych naczyniach,
Bardziej szczegółowoZbiory przybliżone wnioskowanie przybliżone
Zbiory przybliżone wnioskowanie przybliżone Autor: Piotr Nowotarski, Diana Chodara. Przemysław Leończyk Państwowa Wyższa Szkoła Zawodowa im. prof. Stanisława Tarnowskiego w Tarnobrzegu Streszczenie / Abstrakt
Bardziej szczegółowoSYSTEMY UCZĄCE SIĘ WYKŁAD 4. DRZEWA REGRESYJNE, INDUKCJA REGUŁ. Dr hab. inż. Grzegorz Dudek Wydział Elektryczny Politechnika Częstochowska
SYSTEMY UCZĄCE SIĘ WYKŁAD 4. DRZEWA REGRESYJNE, INDUKCJA REGUŁ Częstochowa 2014 Dr hab. inż. Grzegorz Dudek Wydział Elektryczny Politechnika Częstochowska DRZEWO REGRESYJNE Sposób konstrukcji i przycinania
Bardziej szczegółowoSKOJARZENIA i ZBIORY WEWN. STABILNE WIERZCH. Skojarzeniem w grafie G nazywamy dowolny podzbiór krawędzi parami niezależnych.
SKOJARZENIA i ZBIORY WEWN. STABILNE WIERZCH. Rozważamy graf G = (V, E) Dwie krawędzie e, e E nazywamy niezależnymi, jeśli nie są incydentne ze wspólnym wierzchołkiem. Skojarzeniem w grafie G nazywamy dowolny
Bardziej szczegółowoGrafy (3): drzewa. Wykłady z matematyki dyskretnej dla informatyków i teleinformatyków. UTP Bydgoszcz
Grafy (3): drzewa Wykłady z matematyki dyskretnej dla informatyków i teleinformatyków UTP Bydgoszcz 13 (Wykłady z matematyki dyskretnej) Grafy (3): drzewa 13 1 / 107 Drzewo Definicja. Drzewo to graf acykliczny
Bardziej szczegółowoIteracyjne rozwiązywanie równań
Elementy metod numerycznych Plan wykładu 1 Wprowadzenie Plan wykładu 1 Wprowadzenie 2 Plan wykładu 1 Wprowadzenie 2 3 Wprowadzenie Metoda bisekcji Metoda siecznych Metoda stycznych Plan wykładu 1 Wprowadzenie
Bardziej szczegółowoCzy istnieje zamknięta droga spaceru przechodząca przez wszystkie mosty w Królewcu dokładnie jeden raz?
DROGI i CYKLE EULERA w grafach Czy istnieje zamknięta droga spaceru przechodząca przez wszystkie mosty w Królewcu dokładnie jeden raz? Czy można narysować podaną figurę nie odrywając ołówka od papieru
Bardziej szczegółowoSPÓJNOŚĆ. ,...v k. }, E={v 1. v k. i v k. ,...,v k-1. }. Wierzchołki v 1. v 2. to końce ścieżki.
SPÓJNOŚĆ Graf jest spójny, gdy dla każdego podziału V na dwa rozłączne podzbiory A i B istnieje krawędź z A do B. Definicja równoważna: Graf jest spójny, gdy każde dwa wierzchołki są połączone ścieżką
Bardziej szczegółowoEfektywność algorytmów
Efektywność algorytmów Algorytmika Algorytmika to dział informatyki zajmujący się poszukiwaniem, konstruowaniem i badaniem własności algorytmów, w kontekście ich przydatności do rozwiązywania problemów
Bardziej szczegółowoZofia Kruczkiewicz, Algorytmu i struktury danych, Wykład 14, 1
Wykład Algorytmy grafowe metoda zachłanna. Właściwości algorytmu zachłannego:. W przeciwieństwie do metody programowania dynamicznego nie występuje etap dzielenia na mniejsze realizacje z wykorzystaniem
Bardziej szczegółowoPodstawy logiki i teorii mnogości Informatyka, I rok. Semestr letni 2013/14. Tomasz Połacik
Podstawy logiki i teorii mnogości Informatyka, I rok. Semestr letni 2013/14. Tomasz Połacik 9 Relacje 9.1 Podstawowe pojęcia 9.1 Definicja (Relacja). Relacją (binarną) nazywamy dowolny podzbiór produktu
Bardziej szczegółowoKlasyfikatory: k-nn oraz naiwny Bayesa. Agnieszka Nowak Brzezińska Wykład IV
Klasyfikatory: k-nn oraz naiwny Bayesa Agnieszka Nowak Brzezińska Wykład IV Naiwny klasyfikator Bayesa Naiwny klasyfikator bayesowski jest prostym probabilistycznym klasyfikatorem. Zakłada się wzajemną
Bardziej szczegółowoKolorowanie wierzchołków grafu
Kolorowanie wierzchołków grafu Niech G będzie grafem prostym. Przez k-kolorowanie właściwe wierzchołków grafu G rozumiemy takie przyporządkowanie wierzchołkom grafu liczb naturalnych ze zbioru {1,...,
Bardziej szczegółowoSemantyka rachunku predykatów
Relacje Interpretacja Wartość Spełnialność Logika obliczeniowa Instytut Informatyki Relacje Interpretacja Wartość Plan Plan Relacje O co chodzi? Znaczenie w logice Relacje 3 Interpretacja i wartościowanie
Bardziej szczegółowoInterwałowe zbiory rozmyte
Interwałowe zbiory rozmyte 1. Wprowadzenie. Od momentu przedstawienia koncepcji klasycznych zbiorów rozmytych (typu 1), były one krytykowane za postać jaką przybiera funkcja przynależności. W przypadku
Bardziej szczegółowoAgnieszka Nowak Brzezińska Wykład III
Agnieszka Nowak Brzezińska Wykład III Naiwny klasyfikator bayesowski jest prostym probabilistycznym klasyfikatorem. Zakłada się wzajemną niezależność zmiennych niezależnych (tu naiwność) Bardziej opisowe
Bardziej szczegółowoALGORYTMY INDUKCJI REGUŁ DECYZYJNYCH W ODKRYWANIU WIEDZY
JERZY STEFANOWSKI ALGORYTMY INDUKCJI REGUŁ DECYZYJNYCH W ODKRYWANIU WIEDZY Rozprawa habilitacyjna Wersja z 8 lutego 2001 Wydane przez Wydawnictwo Politechniki Poznańskiej, Seria Rozprawy nr 361 4 Spis
Bardziej szczegółowoPrzykłady grafów. Graf prosty, to graf bez pętli i bez krawędzi wielokrotnych.
Grafy Graf Graf (ang. graph) to zbiór wierzchołków (ang. vertices), które mogą być połączone krawędziami (ang. edges) w taki sposób, że każda krawędź kończy się i zaczyna w którymś z wierzchołków. Graf
Bardziej szczegółowoMatematyka dyskretna. Andrzej Łachwa, UJ, A/14
Matematyka dyskretna Andrzej Łachwa, UJ, 2019 andrzej.lachwa@uj.edu.pl 1A/14 Literatura obowiązkowa [1] K.A.Ross, Ch.R.B.Wright: Matematyka Dyskretna. Wydawnictwo Naukowe PWN, Warszawa 1996 [2] R.L.Graham,
Bardziej szczegółowoAlgorytmy klasyfikacji
Algorytmy klasyfikacji Konrad Miziński Instytut Informatyki Politechnika Warszawska 6 maja 2015 1 Wnioskowanie 2 Klasyfikacja Zastosowania 3 Drzewa decyzyjne Budowa Ocena jakości Przycinanie 4 Lasy losowe
Bardziej szczegółowoTEORIA GRAFÓW I SIECI
TEORIA GRAFÓW I SIECI Temat nr 1: Definicja grafu. Rodzaje i części grafów dr hab. inż. Zbigniew TARAPATA, prof. WAT e-mail: zbigniew.tarapata@wat.edu.pl http://tarapata.edu.pl tel.: 261-83-95-04, p.225/100
Bardziej szczegółowoWykład 5. Metoda tabel analitycznych dla Klasycznego Rachunku Zdań
Andrzej Wiśniewski Logika I Materiały do wykładu dla studentów kognitywistyki Wykład 5. Metoda tabel analitycznych dla Klasycznego Rachunku Zdań 1 Wprowadzenie Na tym wykładzie przyjmuję terminologię i
Bardziej szczegółowoProgramowanie dynamiczne i algorytmy zachłanne
Programowanie dynamiczne i algorytmy zachłanne Tomasz Głowacki tglowacki@cs.put.poznan.pl Zajęcia finansowane z projektu "Rozwój i doskonalenie kształcenia na Politechnice Poznańskiej w zakresie technologii
Bardziej szczegółowoAdam Meissner.
Instytut Automatyki i Inżynierii Informatycznej Politechniki Poznańskiej Adam Meissner Adam.Meissner@put.poznan.pl http://www.man.poznan.pl/~ameis SZTUCZNA INTELIGENCJA Podstawy logiki pierwszego rzędu
Bardziej szczegółowoKolorowanie wierzchołków Kolorowanie krawędzi Kolorowanie regionów i map. Wykład 8. Kolorowanie
Wykład 8. Kolorowanie 1 / 62 Kolorowanie wierzchołków - definicja Zbiory niezależne Niech G będzie grafem bez pętli. Definicja Mówimy, że G jest grafem k kolorowalnym, jeśli każdemu wierzchołkowi możemy
Bardziej szczegółowoElementy Modelowania Matematycznego Wykład 4 Regresja i dyskryminacja liniowa
Spis treści Elementy Modelowania Matematycznego Wykład 4 Regresja i dyskryminacja liniowa Romuald Kotowski Katedra Informatyki Stosowanej PJWSTK 2009 Spis treści Spis treści 1 Wstęp Bardzo często interesujący
Bardziej szczegółowo1. Reguły minimalne (optymalne) Podstawowe twierdzenia i definicje. Definicja 1 Funkcję postaci f. nazwiemy n-argumentową funkcją boolowską.
1. Reguły minimalne (optymalne) Podstawowe twierdzenia i definicje Definicja 1 Funkcję postaci f n :{ 0, 1} { 0, 1} nazwiemy n-argumentową funkcją boolowską. Definicja 2 1 2 Term g = x 1 x x ( ϕ ) ( ϕ
Bardziej szczegółowoAproksymacja diofantyczna
Aproksymacja diofantyczna Szymon Draga Ustroń, 4 listopada 0 r Wprowadzenie Jak wiadomo, każdą liczbę niewymierną można (z dowolną dokładnością) aproksymować liczbami wymiernymi Powstaje pytanie, w jaki
Bardziej szczegółowo7. Teoria drzew - spinanie i przeszukiwanie
7. Teoria drzew - spinanie i przeszukiwanie Grzegorz Kosiorowski Uniwersytet Ekonomiczny w Krakowie zima 2016/2017 rzegorz Kosiorowski (Uniwersytet Ekonomiczny 7. wteoria Krakowie) drzew - spinanie i przeszukiwanie
Bardziej szczegółowoSystemy ekspertowe : Tablice decyzyjne
Instytut Informatyki Uniwersytetu Śląskiego 16 marzec 2010 Tablica decyzyjna Klasy nierozróżnialności i klasy decyzyjne Rdzeń Redukt Macierz nierozróżnialności Rdzeń i redukt w macierzy nierozróżnialności
Bardziej szczegółowoSeminarium IO. Zastosowanie wielorojowej metody PSO w Dynamic Vehicle Routing Problem. Michał Okulewicz
Seminarium IO Zastosowanie wielorojowej metody PSO w Dynamic Vehicle Routing Problem Michał Okulewicz 26.02.2013 Plan prezentacji Przypomnienie Problem DVRP Algorytm PSO Podejścia DAPSO, MAPSO 2PSO, 2MPSO
Bardziej szczegółowoOcena jakości modeli strukturalnych białek w oparciu o podobieństwo strukturalne i semantyczny opis funkcji w ontologii GO
Ocena jakości modeli strukturalnych białek w oparciu o podobieństwo strukturalne i semantyczny opis funkcji w ontologii GO Bogumil Konopka 1, Jean-Christophe Nebel 2, Malgorzata Kotulska 1 * 1 Politechnika
Bardziej szczegółowoĆwiczenie 5. Metody eksploracji danych
Ćwiczenie 5. Metody eksploracji danych Reguły asocjacyjne (association rules) Badaniem atrybutów lub cech, które są powiązane ze sobą, zajmuje się analiza podobieństw (ang. affinity analysis). Metody analizy
Bardziej szczegółowoUwaga wstępna: Kognitywne Systemy Wspomagające Zarządzanie
Kognitywne Systemy Wspomagające Zarządzanie Ryszard Tadeusiewicz & Lidia Ogiela AGH Ilustracje użyte do prezentacji podczas wygłaszania referatu na konferencji KOMUNIKACJA I JAKOŚĆ W ZARZĄDZANIU w dniu
Bardziej szczegółowo7. Zagadnienie parkowania ciężarówki.
7. Zagadnienie parkowania ciężarówki. Sterowniki rozmyte Aby móc sterować przebiegiem pewnych procesów lub też pracą urządzeń niezbędne jest stworzenie odpowiedniego modelu, na podstawie którego można
Bardziej szczegółowoMetody uporządkowania
Metody uporządkowania W trakcie faktoryzacji macierzy rzadkiej ilość zapełnień istotnie zależy od sposobu numeracji równań. Powstaje problem odnalezienia takiej numeracji, przy której ilość zapełnień będzie
Bardziej szczegółowoMetody numeryczne w przykładach
Metody numeryczne w przykładach Bartosz Ziemkiewicz Wydział Matematyki i Informatyki UMK, Toruń Regionalne Koło Matematyczne 8 kwietnia 2010 r. Bartosz Ziemkiewicz (WMiI UMK) Metody numeryczne w przykładach
Bardziej szczegółowoID1SII4. Informatyka I stopień (I stopień / II stopień) ogólnoakademicki (ogólno akademicki / praktyczny) stacjonarne (stacjonarne / niestacjonarne)
Załącznik nr 7 do Zarządzenia Rektora nr 10/12 z dnia 21 lutego 2012r. KARTA MODUŁU / KARTA PRZEDMIOTU Kod modułu ID1SII4 Nazwa modułu Systemy inteligentne 1 Nazwa modułu w języku angielskim Intelligent
Bardziej szczegółowoData Mining Wykład 9. Analiza skupień (grupowanie) Grupowanie hierarchiczne O-Cluster. Plan wykładu. Sformułowanie problemu
Data Mining Wykład 9 Analiza skupień (grupowanie) Grupowanie hierarchiczne O-Cluster Plan wykładu Wprowadzanie Definicja problemu Klasyfikacja metod grupowania Grupowanie hierarchiczne Sformułowanie problemu
Bardziej szczegółowoAlgorytmiczna teoria grafów
Podstawowe pojęcia i klasy grafów Wykład 1 Grafy nieskierowane Definicja Graf nieskierowany (graf) G = (V,E) jest to uporządkowana para składająca się z niepustego skończonego zbioru wierzchołków V oraz
Bardziej szczegółowo0. ELEMENTY LOGIKI. ALGEBRA BOOLE A
WYKŁAD 5() ELEMENTY LOGIKI ALGEBRA BOOLE A Logika podstawowe pojęcia: zdania i funktory, reguły wnioskowania, zmienne zdaniowe, rachunek zdań Matematyka zbudowana jest z pierwotnych twierdzeń (nazywamy
Bardziej szczegółowoMatematyka dyskretna. Andrzej Łachwa, UJ, /15
Matematyka dyskretna Andrzej Łachwa, UJ, 2013 andrzej.lachwa@uj.edu.pl 14/15 Grafy podstawowe definicje Graf to para G=(V, E), gdzie V to niepusty i skończony zbiór, którego elementy nazywamy wierzchołkami
Bardziej szczegółowoLogika Matematyczna (1)
Logika Matematyczna (1) Jerzy Pogonowski Zakład Logiki Stosowanej UAM www.logic.amu.edu.pl pogon@amu.edu.pl 4 X 2007 Jerzy Pogonowski (MEG) Logika Matematyczna (1) 4 X 2007 1 / 18 Plan konwersatorium Dzisiaj:
Bardziej szczegółowoGramatyki, wyprowadzenia, hierarchia Chomsky ego. Gramatyka
Gramatyki, wyprowadzenia, hierarchia Chomsky ego Teoria automatów i języków formalnych Dr inŝ. Janusz Majewski Katedra Informatyki Gramatyka Gramatyką G nazywamy czwórkę uporządkowaną gdzie: G =
Bardziej szczegółowo